KR101620328B1 - Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements - Google Patents

Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements Download PDF

Info

Publication number
KR101620328B1
KR101620328B1 KR1020150134836A KR20150134836A KR101620328B1 KR 101620328 B1 KR101620328 B1 KR 101620328B1 KR 1020150134836 A KR1020150134836 A KR 1020150134836A KR 20150134836 A KR20150134836 A KR 20150134836A KR 101620328 B1 KR101620328 B1 KR 101620328B1
Authority
KR
South Korea
Prior art keywords
cloud
simulated
radar
vector value
rti
Prior art date
Application number
KR1020150134836A
Other languages
Korean (ko)
Inventor
서은경
양성대
류근혁
Original Assignee
대한민국(기상청장)
공주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(기상청장), 공주대학교 산학협력단 filed Critical 대한민국(기상청장)
Priority to KR1020150134836A priority Critical patent/KR101620328B1/en
Application granted granted Critical
Publication of KR101620328B1 publication Critical patent/KR101620328B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Disclosed is a method of optimizing a simulated cloud-radiation database using radar and passive microwave measurements which uses radar and passive microwave measurements to improve numerically simulated precipitation clouds. The method of optimizing the simulated cloud-radiation database using radar and passive microwave measurements comprises: a first process of reconstructing simulated cloud vector values which simulate precipitation clouds including a plurality of atmospheric moisture accumulations; a second process of optimizing the vector values derived in the first process using a cost function defined using radar reflectance; and a third process of optimizing the simulated cloud vector values derived in the second process using a cost function defined using passive microwave measurements.

Description

레이더와 수동마이크로파 관측값을 이용한 모의 구름-복사 데이터베이스 최적화 방법{METHOD OF OPTIMIZING SIMUATED CLOUD-RADIATION DATABASE USING RADER AND PASSIVE MICROWAVE MEASUREMENTS}[0001] METHOD OF OPTIMIZING SIMULATED CLOUD-RADIATION DATABASE USING RADAR AND PASSIVE MICROWAVE MEASUREMENTS [0002]

본 발명은 레이더와 수동마이크로파 관측값을 이용한 모의 구름-복사 데이터베이스 최적화 방법에 관한 것으로서, 구체적으로는 경험적 직교함수(Empirical Orthogonal Function)를 이용하여 미결방정식을 완화한 후 1차원의 변분법(one dimensional variational method)에 기반하여 레이더와 마이크로파 관측 자료를 투입함으로써 모의강수구름을 실제 강수구름에 보다 적합하도록 개선할 수 있는 모의 구름-복사 데이터베이스 최적화 방법의 개발에 관한 것이다. The present invention relates to a method of optimizing a simulated cloud-radiation database using radar and passive microwave observations. More specifically, the present invention mitigates undetermined equations using an empirical orthogonal function, The present invention relates to the development of a simulated cloud-copy database optimization method that can improve simulated precipitation clouds to better fit the actual precipitation clouds by introducing radar and microwave observations based on the variational method.

기상위성의 수동마이크로파 관측으로부터 강수량을 추정함에 있어서 강수구름 내의 수적체들에 대한 상세한 관측은 매우 중요한 요소이다.Detailed observations of water bodies in precipitation clouds are very important factors in estimating precipitation from passive microwave observations of meteorological satellites.

반면, 강수구름 내부의 대기수적체 (예로써, 액상구름, 강우, 빙정구름, 눈입자와 얼음알갱이들)의 양과 입자크기에 대한 연직구조를 직접 관측하기는 매우 어려운 실정이기 때문에 수치구름모델이 생산한 강수구름을 베이시언 유형의 위성 강수추정에 활용하고 있다. 그러나 수치모의된 강수구름은 자연계에서 일어나는 강수구름을 잘 대표하지 못하는 경향이 있다.On the other hand, it is very difficult to directly observe the vertical structure of the amount of atmospheric water in the precipitation cloud (for example, liquid cloud, rainfall, ice crystal cloud, snow particles and ice particles) The produced rainfall clouds are used to estimate the satellite precipitation of Baysian type. However, the numerically simulated precipitation clouds tend not to represent the precipitation clouds occurring in nature.

따라서 종래의 연구들은 레이더와 수동마이크로파 관측 자료를 이용하여 수치모의된 강수구름을 개선하고자 하였으며, 이를 통해 자연현상에 보다 가까운 구름-복사 데이터베이스를 구축하고자 하였다.Therefore, previous studies have attempted to improve the numerical simulated precipitation cloud using radar and passive microwave observation data, and to establish a cloud - radiation database closer to the natural phenomenon.

하지만, 종래의 연구들은 비현실적인 가정(예로써, 빙정입자들에 대해 하나의 종류만 존재함, 강우입자와 빙정입자들 간의 비율을 임의로 정함, 등)들을 통해 강수구름 데이터베이스를 개선하였다. However, previous studies have improved the precipitation cloud database through unrealistic assumptions (eg, only one species exists for the ice crystal particles, arbitrarily defining the ratio between rainfall particles and ice crystal particles, etc.).

대한민국 공개특허공보 제10-2012-0005321호 (2012.01.16.공개.)Korean Patent Laid-Open Publication No. 10-2012-0005321 (2012.01.6.

상기 문제점을 해결하기 위해, 본 발명의 실시 예에 따른 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법은 레이더와 수동마이크로파 관측 자료를 이용하여 수치모의된 강수구름을 개선함에 있다.In order to solve the above problems, a simulated cloud-radiation database optimization method using radar and passive microwave observation values according to an embodiment of the present invention is to improve numerical simulated precipitation clouds using radar and passive microwave observation data.

이를 위해 종래 연구의 비현실적인 가정의 제약조건을 개선하고자, 특히 강수구름에 포함된 대기수적체의 종류를 모두 포함할 수 있는 수학적 방법론을 도입하는 것을 목적으로 한다.The purpose of this study is to introduce a mathematical methodology which can include all types of atmospheric water ratios included in precipitation clouds.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당해 기술분야에 있어 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The present invention has been made in view of the above problems, and it is an object of the present invention to provide an apparatus and method for controlling the same.

상기 목적을 달성하기 위해, 본 발명은 복수 개의 대기수적체가 포함된 강수구름을 나타내는 모의구름 벡터값 (

Figure 112015092901247-pat00001
)을 재구축하는 제 1 과정, 레이더반사도를 이용하여 정의된 비용함수를 통해, 제 1 과정에서 도출된 벡터값 (
Figure 112015092901247-pat00002
)에 대해서 비용함수를 최적화하는 제 2 과정, 수동마이크로파 관측값을 이용하여 정의된 비용함수를 통해, 제 2 과정에서 도출된 모의구름 벡터값(
Figure 112015092901247-pat00003
)을 다시 최적화하는 제 3 과정을 포함한다.In order to achieve the above object, the present invention provides a simulated cloud vector value representing a precipitation cloud including a plurality of waiting water bodies
Figure 112015092901247-pat00001
), Reconstructing the vector values derived from the first process (step 1) through the cost function defined using the radar reflectivity
Figure 112015092901247-pat00002
), A second step of optimizing the cost function for the second step, and a second step of optimizing the cost function for the simulated cloud vector value
Figure 112015092901247-pat00003
) In the second step.

본 발명에서 제 1 과정은, 복수 개의 대기수적체의 벡터값(

Figure 112015092901247-pat00004
,
Figure 112015092901247-pat00005
,
Figure 112015092901247-pat00006
,
Figure 112015092901247-pat00007
,
Figure 112015092901247-pat00008
)을 하나의 벡터값
Figure 112015092901247-pat00009
으로 표현하는 제 1-1 과정을 포함한다. In the first step of the present invention, a vector value of a plurality of waiting water droplets
Figure 112015092901247-pat00004
,
Figure 112015092901247-pat00005
,
Figure 112015092901247-pat00006
,
Figure 112015092901247-pat00007
,
Figure 112015092901247-pat00008
) As a vector value
Figure 112015092901247-pat00009
(1-1).

여기서, 각 벡터값들은 액상구름(cloud liquid water), 강우(rain), 빙정구름(ice water), 눈입자(snow), 그리고 얼음알갱이(graupel)를 의미한다.Here, each vector value means cloud liquid water, rain, ice water, snow, and ice grains.

본 발명에서, 제 1 과정은 제 1-1 과정에 표현된 벡터값(

Figure 112015092901247-pat00010
)이 m개의 경험적 직교함수들을 이용한 하기 식 1 에 의하여 재구축(
Figure 112015092901247-pat00011
)되는 제 1-2 과정In the present invention, the first step is a step of calculating the vector value (
Figure 112015092901247-pat00010
) Is reconstructed by the following Equation 1 using m empirical orthogonal functions
Figure 112015092901247-pat00011
).

[식 1] [Formula 1]

Figure 112015092901247-pat00012
Figure 112015092901247-pat00012

(

Figure 112015092901247-pat00013
: 평균벡터값;
Figure 112015092901247-pat00014
: j 번째 계수;
Figure 112015092901247-pat00015
: j번째 경험직교함수)(
Figure 112015092901247-pat00013
: Average vector value;
Figure 112015092901247-pat00014
: j th coefficient;
Figure 112015092901247-pat00015
: jth experiential orthogonal function)

을 더 포함한다..

본 발명에서 제 1 과정은, 제 1-2 과정에서 산출된 경험적 직교함수의 계수를 하나의 벡터값

Figure 112015092901247-pat00016
로 표현하는 제 1-3 과정을 더 포함한다.In the first step of the present invention, the coefficients of the empirical orthogonal function calculated in the step 1-2 are divided into one vector value
Figure 112015092901247-pat00016
As shown in FIG.

본 발명에서 제 2 과정은, 제 1 과정에서 산출된 벡터값(

Figure 112015092901247-pat00017
) 에 대해서 레이더반사도를 이용한 하기 식 2 를 최소화하는 제 2-1 과정In the second step of the present invention, the vector value calculated in the first step (
Figure 112015092901247-pat00017
2-1 < / RTI > that minimizes Equation 2 using radar reflectivity for

[식 2][Formula 2]

Figure 112015092901247-pat00018
Figure 112015092901247-pat00018

(

Figure 112015092901247-pat00019
: 비용함수;
Figure 112015092901247-pat00020
: 경험직교함수의 계수(
Figure 112015092901247-pat00021
)를 성분으로 갖는 벡터값;
Figure 112015092901247-pat00022
,
Figure 112015092901247-pat00023
: 관측 및 모의 실험된 레이더반사도;
Figure 112015092901247-pat00024
: j번째 대기수적체의 분산)(
Figure 112015092901247-pat00019
Cost function;
Figure 112015092901247-pat00020
: Experimental Orthogonal Function Coefficient (
Figure 112015092901247-pat00021
) As a component;
Figure 112015092901247-pat00022
,
Figure 112015092901247-pat00023
: Observed and simulated radar reflectivity;
Figure 112015092901247-pat00024
: Dispersion of j th waiting water droplet)

을 포함한다..

본 발명에서 제 2 과정은, 제 2-1 과정에서 산출된 벡터값(

Figure 112015092901247-pat00025
)를 통해 모의구름 벡터값
Figure 112015092901247-pat00026
을 재표현하는 제 2-2과정을 더 포함한다. In the second step of the present invention, the vector value calculated in the step 2-1
Figure 112015092901247-pat00025
) Through the simulated cloud vector value
Figure 112015092901247-pat00026
2-2 < / RTI >

본 발명에서 제 3 과정은, 제 2 과정에서 산출된 모의구름 벡터값(

Figure 112015092901247-pat00027
)과 축적변수(
Figure 112015092901247-pat00028
)에 관한 하기 식 3을 표현하는 제 3-1 과정;In the present invention, the third step is a step of calculating a simulated cloud vector value
Figure 112015092901247-pat00027
) And accumulation variable
Figure 112015092901247-pat00028
3-1 < / RTI >

[식 3][Formula 3]

Figure 112015092901247-pat00029
Figure 112015092901247-pat00029

(

Figure 112015092901247-pat00030
,
Figure 112015092901247-pat00031
,
Figure 112015092901247-pat00032
,
Figure 112015092901247-pat00033
,
Figure 112015092901247-pat00034
: 순차적으로 액상구름, 강우, 빙정구름, 눈입자, 얼음알갱이의 비율;
Figure 112015092901247-pat00035
: m개의 경험직교함수의 일차결합으로 이루어진 k번째 픽셀에 포함된 모의구름 벡터값)(
Figure 112015092901247-pat00030
,
Figure 112015092901247-pat00031
,
Figure 112015092901247-pat00032
,
Figure 112015092901247-pat00033
,
Figure 112015092901247-pat00034
: Sequential liquid cloud, rainfall, ice crystal cloud, snow particles, ice particles ratio;
Figure 112015092901247-pat00035
: a simulated cloud vector value included in the k-th pixel, which is a primary combination of m experiential orthogonal functions)

을 포함한다..

본 발명에서 제 3 과정은, 제 3-1 과정에서 표현된 축적변수(

Figure 112015092901247-pat00036
)에 대해서 수동마이크로파의 관측값를 이용한 하기 식 4 를 최소화하는 제 3-2 과정In the present invention, the third step is a step of storing the accumulation variables (
Figure 112015092901247-pat00036
3-2 < / RTI > for minimizing the following equation (4) using the observed value of passive microwave for

[식 4][Formula 4]

Figure 112015092901247-pat00037
Figure 112015092901247-pat00037

(

Figure 112015092901247-pat00038
: 비용함수;
Figure 112015092901247-pat00039
,
Figure 112015092901247-pat00040
: 관측 및 모의 실험된 수동마이크로파 벡터값;
Figure 112015092901247-pat00041
: 오차공분산 벡터;
Figure 112015092901247-pat00042
: i 번째 가중치)(
Figure 112015092901247-pat00038
Cost function;
Figure 112015092901247-pat00039
,
Figure 112015092901247-pat00040
: Observed and simulated passive microwave vector values;
Figure 112015092901247-pat00041
: Error covariance vector;
Figure 112015092901247-pat00042
: ith weight)

을 더 포함한다..

본 발명에 따른 레이더와 수동마이크로파 관측값을 이용한 모의 구름-복사 데이터베이스 최적화 방법은, 대기수적체의 종류들 사이의 관계성 및 연직 층들간의 관계성을 파악하여 미지수의 개수를 줄임에 있어 경험적 직교함수(Empirical Orthogonal Function)를 이용하여 미결방정식을 완화시키고, 이를 바탕으로 1차원의 변분법(one dimensional variational method)에 기반하여 레이더와 마이크로파 관측 자료를 투입함으로써 모의강수구름을 실제 강수구름에 보다 적합하도록 개선할 수 있는 효과를 얻을 수 있다. The simulation cloud-copy database optimization method using the radar and the passive microwave observation values according to the present invention is a method of optimizing the cloud correlation between the types of waiting water bodies and the relationships among the vertical layers, The simulated precipitation clouds are more suitable for real precipitation clouds by applying radar and microwave observation data based on the one dimensional variational method based on empirical orthogonal function. It is possible to obtain an effect to be improved.

또한, 기존의 연구방법에서 얻을 수 없는 고도별 각 입자들의 분포를 구할 수 있는 효과를 얻을 수 있다.In addition, the effect of obtaining the distribution of each particle at high altitude which can not be obtained by the existing research method can be obtained.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당해 기술분야에 있어 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the following description.

도 1 은 본 발명의 일실시 예에 따른 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법의 순서도이다.
도 2 는 도 1 에 도시된 제 1 과정(S110)의 순서도이다.
도 3 은 도 1 에 도시된 제 2 과정(S120)의 순서도이다.
도 4 는 도 1 에 도시된 제 3 과정(S130)의 순서도이다.
도 5 는 도 1 에 도시된 과정을 통해 산출된 대기수적체의 연직분포를 나타내는 도이다.
도 6 은 도 1 에 도시된 과정을 통해 산출된 대기수적체의 밝기온도와 최적화 이전에 모의된 강수구름의 밝기온도 및 실제 강수구름의 밝기온도를 비교한 도이다.FIG. 1 is a flowchart of a simulation cloud-copy database optimization method using radar and passive microwave observations according to an embodiment of the present invention.
FIG. 2 is a flowchart of the first process (S110) shown in FIG.
FIG. 3 is a flowchart of a second process (S120) shown in FIG.
4 is a flowchart of a third process (S130) shown in FIG.
FIG. 5 is a diagram showing a vertical distribution of the atmospheric water filled in the process shown in FIG. 1. FIG.
FIG. 6 is a graph comparing the brightness temperature of the atmospheric water droplet calculated through the procedure shown in FIG. 1 with the brightness temperature of the simulated precipitation cloud and the brightness temperature of the actual precipitation cloud before optimization.

이하, 도 1 내지 도 4를 참조하여, 본 발명의 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법에 대하여 설명하도록 한다.Hereinafter, a simulation cloud-copy database optimization method using radar and passive microwave observations of the present invention will be described with reference to FIGS. 1 to 4. FIG.

도 1 은 본 발명의 일실시예에 따른 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법의 과정을 나타내는 전체 순서도이다.FIG. 1 is a flowchart illustrating a method of optimizing a cloud-copy database using a radar and a passive microwave observation value according to an exemplary embodiment of the present invention.

그리고 도 2 는 복수 개의 대기수적체가 포함된 상기 강수구름을 모사한 모의구름 벡터값(

Figure 112015092901247-pat00043
)을 재구축하는 제 1 과정(S110)을 구체화하는 순서도이며, 도 3 은 레이더반사도를 이용하여 정의된 비용함수를 통해, 제 1 과정(S110)의 모의구름 벡터값(
Figure 112015092901247-pat00044
)을 최적화하는 제 2 과정(S120)을 구체화하는 순서도이다.2 shows a simulated cloud vector value simulating the precipitation cloud including a plurality of atmospheric water bodies
Figure 112015092901247-pat00043
FIG. 3 is a flowchart illustrating the first process (S110) of reconstructing the simulated cloud vector value (S110) of the first process (S110) through the cost function defined using the radar reflectivity
Figure 112015092901247-pat00044
(Step S120) for optimizing the optimization process (step S120).

그리고 도 4 는 수동마이크로파 관측값을 이용하여 정의된 비용함수를 통해, 제 2 과정(S120)의 모의구름 벡터값(

Figure 112015092901247-pat00045
)을 최적화하는 제 3 과정(S130)을 구체화하는 순서도이다.FIG. 4 is a graph showing the simulated cloud vector values (S120) of the second process (S120) through the cost function defined using the passive microwave observations
Figure 112015092901247-pat00045
(Step S130) for optimizing the optimization process (step S130).

그리고, 도 5 는 본 발명의 일실시예에 따른 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법에 의해 산출된 대기수적체의 연직분포를 나타내는 도이다.5 is a diagram illustrating a vertical distribution of the atmospheric water ratios calculated by the simulated cloud-radiation database optimization method using radar and passive microwave observation values according to an embodiment of the present invention.

그리고, 도 6 은 본 발명의 일실시 예에 따른 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법에 의해 산출된 대기수적체의 밝기온도(도 6c)와 최적화 이전에 모의된 강수구름의 밝기온도(도 6b)와 실제 강수구름의 밝기온도(도 6a)를 비교한 도이다.6 is a graph showing the brightness temperature (FIG. 6C) calculated by the simulated cloud-radiation database optimization method using the radar and the passive microwave observation values according to an embodiment of the present invention and the simulated precipitation clouds (Fig. 6B) of the actual precipitation cloud and the brightness temperature (Fig. 6A) of the actual precipitation cloud.

도 1 에 도시된 바와 같이, 본 발명은 인공위성을 통한 강수구름의 레이더와 수동마이크로파 관측값을 이용하여 실제 강수구름에 근접하도록 모의구름-복사 데이터베이스를 최적화하는 방법으로서, 복수 개의 대기수적체가 포함된 상기 강수구름을 모사한 모의구름 벡터값(

Figure 112015092901247-pat00046
)을 재구축하는 제 1 과정(S110)을 포함한다.As shown in Figure 1, the present invention is a method for optimizing a simulated cloud-radiation database to approximate actual precipitation clouds using radar and manual microwave observations of precipitation clouds through satellites, The simulated cloud vector value simulating the above-mentioned precipitation cloud (
Figure 112015092901247-pat00046
(S110).

그리고 레이더반사도를 이용하여 정의된 비용함수를 통해, 제 1 과정(S110)에서 도출된 벡터값(

Figure 112015092901247-pat00047
)을 최적화하는 제 2 과정(S120)이 포함되며, 수동마이크로파 관측값을 이용하여 정의된 비용함수를 통해, 제 2 과정(S120)에서 도출된 모의구름 벡터값(
Figure 112015092901247-pat00048
)을 다시 최적화하는 제 3 과정(S130)을 포함한다.Then, the vector value derived in the first step (S110) is obtained through the cost function defined using the radar reflectivity
Figure 112015092901247-pat00047
(S120) for optimizing the simulated cloud vector value (S120) derived from the second process (S120) through the cost function defined using the passive microwave observations
Figure 112015092901247-pat00048
(Step S 130).

제 1 과정(S110)은, 본 발명에 수학적 방법론을 도입함에 있어 수학적으로 미지수의 수보다 조건의 개수가 많은 경우인 미결방정식(underdetermined equation)을 해결하기 위해, 대기수적체의 종류들 사이의 관계성과 연직층들간의 관계성을 미리 파악하여 미지수의 개수를 줄이기 위해서 경험적 직교함수(Empirical Orthogonal Function, EOF)를 이용하였다.In the first step S110, in order to solve the underdetermined equation, which is the case where the number of conditions is mathematically greater than the number of unknowns in introducing the mathematical methodology into the present invention, the relationship between the types of waiting water droplets Empirical Orthogonal Function (EOF) was used to grasp the relationship between performance and vertical layers and reduce the number of unknowns.

도 2 를 참조하면, 제 1 과정(S110)은 복수 개의 대기수적체의 벡터값을 하나의 벡터값

Figure 112015092901247-pat00049
으로 표현하는 제 1-1 과정(S111)을 포함한다.Referring to FIG. 2, in a first step S110, vector values of a plurality of waiting water droplets are divided into a single vector value
Figure 112015092901247-pat00049
(Step S111).

여기서, 대기수적체 벡터값

Figure 112015092901247-pat00050
,
Figure 112015092901247-pat00051
,
Figure 112015092901247-pat00052
,
Figure 112015092901247-pat00053
,
Figure 112015092901247-pat00054
은 순차적으로 액상구름, 강우, 빙정구름, 눈입자, 얼음알갱이들의 양(contents)에 대한 연직분포를 나타내며, 모의구름을 나타내는 벡터값
Figure 112015092901247-pat00055
는 보통 수백 차원을 갖는다.Here, the waiting water rubbing vector value
Figure 112015092901247-pat00050
,
Figure 112015092901247-pat00051
,
Figure 112015092901247-pat00052
,
Figure 112015092901247-pat00053
,
Figure 112015092901247-pat00054
Represents the vertical distribution of the contents of the liquid cloud, the rainfall, the ice crystal cloud, the snow particle, and the ice particle sequentially, and the vector value
Figure 112015092901247-pat00055
Usually have hundreds of dimensions.

따라서, 모의구름 벡터값

Figure 112015092901247-pat00056
의 차원을 줄이기 위하여, 제 1-1 과정(S111)에 표현된 벡터값
Figure 112015092901247-pat00057
은 m개의 경험적 직교함수들을 이용한 하기 식 1 에 의하여 재구축(
Figure 112015092901247-pat00058
)되는 제 1-2 과정(S112)을 거치게 된다.Therefore, the simulated cloud vector value
Figure 112015092901247-pat00056
In order to reduce the dimension of the vector value S111,
Figure 112015092901247-pat00057
Is reconstructed by the following Equation 1 using m empirical orthogonal functions
Figure 112015092901247-pat00058
(S112). ≪ / RTI >

[식 1] [Formula 1]

Figure 112015092901247-pat00059
Figure 112015092901247-pat00059

여기서,

Figure 112015092901247-pat00060
는 평균벡터값이고,
Figure 112015092901247-pat00061
은 j 번째 계수,
Figure 112015092901247-pat00062
는 j 번째 경험직교함수이다.here,
Figure 112015092901247-pat00060
Is an average vector value,
Figure 112015092901247-pat00061
Is the jth coefficient,
Figure 112015092901247-pat00062
Is the jth experiential orthogonal function.

즉, 제 1-2 과정(S112)이 진행되면, 몇 개의 주요 경험직교함수 계수(

Figure 112015092901247-pat00063
)를 통해 재구축된 벡터값
Figure 112015092901247-pat00064
은 총 분산(the total variance)의 95% 이상을 설명할 수 있다. That is, when the first-second process (S112) is performed, several key experiential orthogonal function coefficients (
Figure 112015092901247-pat00063
) ≪ / RTI >
Figure 112015092901247-pat00064
Can account for more than 95% of the total variance.

따라서 이들 경험직교함수 계수(

Figure 112015092901247-pat00065
)를 이용함으로써 모의구름 벡터값
Figure 112015092901247-pat00066
의 차원을 충분히 줄일 수 있게 된다.Therefore, these experiential orthogonal function coefficients (
Figure 112015092901247-pat00065
), The simulated cloud vector value
Figure 112015092901247-pat00066
It is possible to sufficiently reduce the dimension of the image.

그리고, 제 1 과정(S110)은, 제 1-2 과정(S112)에서 산출된 경험적 직교함수의 계수(

Figure 112015092901247-pat00067
)를 하나의 벡터값
Figure 112015092901247-pat00068
으로 표현하는 제 1-3 과정(S113)을 포함한다.In the first step S110, the coefficient of the empirical orthogonal function calculated in the first-second step S112
Figure 112015092901247-pat00067
) As a vector value
Figure 112015092901247-pat00068
(Step S113).

도 3을 참조하면, 제 2 과정(S120)은 제 1-3 과정(S113)에서 표현된 벡터값(

Figure 112015092901247-pat00069
) 에 대해서 레이더반사도를 이용한 하기 식 2 를 최소화하는 제 2-1 과정(S121)을 포함하며, 가파른 경사법(steepest gradient)을 이용하여 최저점에 접근하였다.Referring to FIG. 3, in a second step S120, a vector value represented in the first-third step S113
Figure 112015092901247-pat00069
(Step S121) which minimizes the following Equation 2 using the radar reflectivity for the target object (i.e., the target object), and approached the lowest point using a steepest gradient.

[식 2][Formula 2]

Figure 112015092901247-pat00070
Figure 112015092901247-pat00070

여기서,

Figure 112015092901247-pat00071
는 비용함수이고,
Figure 112015092901247-pat00072
는 경험직교함수의 계수(
Figure 112015092901247-pat00073
)를 성분으로 갖는 벡터값,
Figure 112015092901247-pat00074
과
Figure 112015092901247-pat00075
는 관측 및 모의 실험된 레이더반사도,
Figure 112015092901247-pat00076
는 j 번째 대기수적체의 분산을 나타낸다.here,
Figure 112015092901247-pat00071
Is a cost function,
Figure 112015092901247-pat00072
Is the coefficient of the experiential orthogonal function (
Figure 112015092901247-pat00073
) As a component,
Figure 112015092901247-pat00074
and
Figure 112015092901247-pat00075
The observed and simulated radar reflectivity,
Figure 112015092901247-pat00076
Represents the variance of the jth waiting water droplet.

제 2-1 과정(S121)으로 산출된 벡터값

Figure 112015092901247-pat00077
를 통해 변경된 모의구름 벡터값
Figure 112015092901247-pat00078
의 연직분포를 얻을 수 있으며, 제 2 과정(S120)은 변경된 모의구름 벡터값
Figure 112015092901247-pat00079
을 재표현하는 제 2-2과정(S122)을 포함한다.The vector value calculated in the (2-1) process (S121)
Figure 112015092901247-pat00077
Modified simulated cloud vector values
Figure 112015092901247-pat00078
And a second step S120 is to obtain a modified simulated cloud vector value
Figure 112015092901247-pat00079
(Step S122).

제 3 과정(S130)은, 제 2 과정(S120)에서 도출된 변경된 구름 벡터값

Figure 112015092901247-pat00080
을 실제 강수구름에 근접하도록 최적화하는 과정이다.In the third step S130, the modified cloud vector value derived in the second step S120
Figure 112015092901247-pat00080
To an actual precipitation cloud.

도 4 를 참조하면, 제 3 과정(S130)은 제 2-2 과정(S122)에서 변경된 구름 벡터값

Figure 112016009094845-pat00081
과 축적변수
Figure 112016009094845-pat00082
에 관한 함수(
Figure 112016009094845-pat00153
)인 하기 식 3을 표현하는 제 3-1 과정(S131)이 포함된다.Referring to FIG. 4, in a third step S130, a cloud vector value changed in the step 2-2 (S122)
Figure 112016009094845-pat00081
And accumulation variable
Figure 112016009094845-pat00082
Function (
Figure 112016009094845-pat00153
(Step S131) expressing the following equation (3), which is expressed by the following equation (3).

[식 3][Formula 3]

Figure 112015092901247-pat00083
Figure 112015092901247-pat00083

여기서,

Figure 112015092901247-pat00084
,
Figure 112015092901247-pat00085
,
Figure 112015092901247-pat00086
,
Figure 112015092901247-pat00087
,
Figure 112015092901247-pat00088
는 순차적으로 액상구름, 강우, 빙정구름, 눈입자, 얼음알갱이의 비율이고,
Figure 112015092901247-pat00089
,
Figure 112015092901247-pat00090
,
Figure 112015092901247-pat00091
,
Figure 112015092901247-pat00092
,
Figure 112015092901247-pat00093
는 순차적으로 액상구름, 강우, 빙정구름, 눈입자, 얼음알갱이들의 양(contents)에 대한 연직분포를 나타내며,
Figure 112015092901247-pat00094
는 m개의 경험직교함수의 일차결합으로 이루어진 k번째 픽셀에 포함된 모의구름 벡터값을 나타낸다.here,
Figure 112015092901247-pat00084
,
Figure 112015092901247-pat00085
,
Figure 112015092901247-pat00086
,
Figure 112015092901247-pat00087
,
Figure 112015092901247-pat00088
Is the ratio of liquid cloud, rainfall, ice crystal cloud, snow particle, and ice granule sequentially,
Figure 112015092901247-pat00089
,
Figure 112015092901247-pat00090
,
Figure 112015092901247-pat00091
,
Figure 112015092901247-pat00092
,
Figure 112015092901247-pat00093
Represents the vertical distribution of the contents of the liquid cloud, the rainfall, the ice crystal cloud, the snow particles, and the ice particles sequentially,
Figure 112015092901247-pat00094
Represents a simulated cloud vector value included in the k-th pixel which is a primary combination of m empirical orthogonal functions.

제 3 과정(S130)은, 제 3-1 과정(S131)에서 표현된 축적변수

Figure 112015092901247-pat00095
에 대해서 수동마이크로파의 관측값을 이용한 하기 식 4 를 최소화하는 제 3-2 과정(S132)을 포함한다.The third process (S130) is the same as the third process (S131)
Figure 112015092901247-pat00095
And a step 3-2 (S132) of minimizing the following equation (4) using the observed value of the passive microwave.

[식 4][Formula 4]

Figure 112015092901247-pat00096
Figure 112015092901247-pat00096

여기서,

Figure 112015092901247-pat00097
는 비용함수이며,
Figure 112015092901247-pat00098
,
Figure 112015092901247-pat00099
는 관측 및 모의 실험된 수동마이크로파 벡터값,
Figure 112015092901247-pat00100
는 오차공분산 벡터,
Figure 112015092901247-pat00101
는 i 번째 가중치를 나타낸다.here,
Figure 112015092901247-pat00097
Is a cost function,
Figure 112015092901247-pat00098
,
Figure 112015092901247-pat00099
Is the observed and simulated passive microwave vector value,
Figure 112015092901247-pat00100
Is an error covariance vector,
Figure 112015092901247-pat00101
Represents the i-th weight.

도 5 를 참조하면, 상술된 과정을 통해 최종적으로 최적화된 모의구름의 연직분포를 확인할 수 있다.Referring to FIG. 5, the vertical distribution of the simulated cloud finally optimized can be confirmed through the above-described process.

보다 구체적으로, 도 5a는 액상구름 양의 연직분포이며, 도 5b는 강우입자 양의 연직분포이며, 도 5c는 빙정구름 양의 연직분포이며, 도 5d는 눈입자 양의 연직분포이며, 도5e는 얼음알갱이 양의 연직분포를 나타낸다.5B is a vertical distribution of the amount of rainfall particles, FIG. 5C is a vertical distribution of ice crystal cloud amounts, FIG. 5D is a vertical distribution of snow particle amounts, and FIG. 5E Represents the vertical distribution of the amount of ice particles.

그리고, 도 6 에 도시된 바와 같이, 수동마이크로파를 이용하여, 상술된 과정을 통해 도출된 최적화된 구름의 밝기온도, 최적화 이전에 모의된 강수구름의 밝기온도 및 실제 강수구름의 밝기온도를 비교할 수 있다.6, using the passive microwave, the brightness temperature of the optimized cloud, the brightness temperature of the simulated precipitation cloud, and the brightness temperature of the actual precipitation cloud derived through the above-described process can be compared have.

보다 구체적으로, 도 6a는 실제 강수구름의 밝기온도의 다면적 분포를 나타내며, 도 6b는 최적화 이전에 모의된 강수구름에 대한 밝기온도의 다면적 분포를 나타내며, 도 6c는 본 발명을 통해 최적화된 모의구름에 대한 밝기온도의 다면적 분포를 나타낸다.More specifically, FIG. 6A shows the multifaceted distribution of the brightness temperature of the actual precipitation cloud, FIG. 6B shows the multifaceted distribution of the brightness temperature for the simulated precipitation cloud before optimization, FIG. 6C shows the simulated cloud Of the brightness temperature.

결론으로, 본 발명을 통해 도출된 최적화 모의구름은 최적화 이전에 모의된 강수구름보다 실제 강수구름을 잘 표현하는 데이터베이스임을 확인할 수 있다.As a result, it can be confirmed that the optimized simulated cloud derived from the present invention is a database that expresses actual precipitation clouds better than simulated precipitation clouds before optimization.

이와 같이, 상술된 본 발명의 일실시 예의 레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법은, 대기수적체의 종류들 사이의 관계성과 연직층들 사이의 관계성을 파악하여 미지수의 개수를 줄임에 있어 경험적 직교함수(Empirical Orthogonal Function)를 이용하여 미결방정식을 완화시키고, 이를 바탕으로 1차원의 변분법(one dimensional variational method)에 기반하여 레이더와 마이크로파 관측 자료를 이용하여 모의강수구름을 실제 강수구름에 보다 적합하도록 개선할 수 있는 효과를 얻을 수 있다.As described above, the simulation cloud-copy database optimization method using the radar and the passive microwave observation values of the embodiment of the present invention described above can grasp the relation between the types of the waiting water bodies and the relationship between the vertical layers, We use empirical orthogonal functions to mitigate open equations and reduce the number of simulated precipitation clouds using radar and microwave observations based on one dimensional variational method. Can be improved to be more suitable for actual precipitation clouds.

또한, 기존의 연구방법에서 얻을 수 없는 고도별 각 입자들의 분포를 구할 수 있는 효과를 얻을 수 있다.In addition, the effect of obtaining the distribution of each particle at high altitude which can not be obtained by the existing research method can be obtained.

본 명세서에 개시된 실시 예는 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것으로, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것이 아님은 자명하다.It is to be understood that the embodiments disclosed herein are for the purpose of illustration only and are not intended to limit the scope of the present invention and that the scope of the present invention is not limited by these embodiments.

본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당해 기술분야의 통상의 지식을 가진 자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.It will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the present invention as defined by the following claims. something to do.

S110 : 복수 개의 대기수적체가 포함된 상기 강수구름을 표현하는 모의구름 벡터값(

Figure 112015092901247-pat00102
)을 재구축하는 제 1 과정
S120 : 제 1 과정(S110)의 모의구름 벡터값(
Figure 112015092901247-pat00103
)을 최적화하는 제 2 과정
S130 : 제 2 과정(S120)의 모의구름 벡터값(
Figure 112015092901247-pat00104
)을 최적화하는 제 3 과정S110: a simulated cloud vector value representing the precipitation cloud including a plurality of waiting water droplets (
Figure 112015092901247-pat00102
The first step of reconstructing
S120: Simulated cloud vector value of the first process (S110)
Figure 112015092901247-pat00103
) ≪ / RTI >
S130: Simulated cloud vector value of the second process (S120)
Figure 112015092901247-pat00104
The third process of optimizing

Claims (8)

인공위성을 통한 강수구름의 레이더와 수동마이크로파 관측값을 이용하여 상기 강수구름에 근접하도록 모의구름-복사 데이터베이스를 최적화하는 방법에 있어서,
복수 개의 대기수적체가 포함된 상기 강수구름을 모사한 모의구름 벡터값(
Figure 112016009094845-pat00105
)을 재구축하는 제 1 과정; 및
레이더반사도를 이용하여 정의된 비용함수를 통해, 상기 제 1 과정에서 도출된 벡터값(
Figure 112016009094845-pat00106
)을 최적화하는 제 2 과정;
상기 수동마이크로파 관측값을 이용하여 정의된 비용함수를 통해, 상기 제 2 과정에서 도출된 모의구름 벡터값(
Figure 112016009094845-pat00107
)을 최적화하는 제 3 과정;
을 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
A method for optimizing a simulated cloud-radiation database to approach a precipitation cloud using radar and passive microwave observations of a precipitation cloud through a satellite,
A simulated cloud vector value simulating the above-mentioned precipitation cloud including a plurality of waiting water droplets (
Figure 112016009094845-pat00105
); And
Through the cost function defined using the radar reflectivity, the vector value derived in the first step (
Figure 112016009094845-pat00106
);
The simulated cloud vector value derived from the second process is obtained through the cost function defined using the passive microwave observations
Figure 112016009094845-pat00107
);
/ RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 1 항에 있어서,
상기 제 1 과정은
상기 복수 개의 대기수적체의 벡터값(
Figure 112015092901247-pat00108
,
Figure 112015092901247-pat00109
,
Figure 112015092901247-pat00110
,
Figure 112015092901247-pat00111
,
Figure 112015092901247-pat00112
)을 하나의 벡터값
Figure 112015092901247-pat00113
으로 표현하는 제 1-1 과정;
을 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
The method according to claim 1,
The first step
The vector values of the plurality of waiting water droplets (
Figure 112015092901247-pat00108
,
Figure 112015092901247-pat00109
,
Figure 112015092901247-pat00110
,
Figure 112015092901247-pat00111
,
Figure 112015092901247-pat00112
) As a vector value
Figure 112015092901247-pat00113
(1-1);
/ RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 2 항에 있어서,
상기 제 1 과정은
상기 제 1-1 과정에 표현된 벡터값(
Figure 112015092901247-pat00114
)이 m개의 경험적 직교함수들을 이용한 하기 식 1 에 의하여 재구축(
Figure 112015092901247-pat00115
)되는 제 1-2 과정;
[식 1]
Figure 112015092901247-pat00116

(
Figure 112015092901247-pat00117
: 평균벡터값;
Figure 112015092901247-pat00118
: j 번째 계수;
Figure 112015092901247-pat00119
: j 번째 경험직교함수)
을 더 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
3. The method of claim 2,
The first step
The vector value (
Figure 112015092901247-pat00114
) Is reconstructed by the following Equation 1 using m empirical orthogonal functions
Figure 112015092901247-pat00115
);
[Formula 1]
Figure 112015092901247-pat00116

(
Figure 112015092901247-pat00117
: Average vector value;
Figure 112015092901247-pat00118
: j th coefficient;
Figure 112015092901247-pat00119
: jth experiential orthogonal function)
≪ / RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 3 항에 있어서,
상기 제 1 과정은
상기 제 1-2 과정에서 산출된 경험적 직교함수의 계수를 하나의 벡터값
Figure 112015092901247-pat00120
으로 표현하는 제 1-3 과정;
을 더 포함하는
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
The method of claim 3,
The first step
The coefficient of the empirical orthogonal function calculated in the step 1-2 is divided into a vector value
Figure 112015092901247-pat00120
(1-3);
Further comprising
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 1 항에 있어서,
상기 제 2 과정은
상기 제 1 과정에서 산출된 벡터값(
Figure 112015092901247-pat00121
) 에 대해서 상기 레이더반사도를 이용한 하기 식 2 를 최소화하는 제 2-1 과정;
[식 2]
Figure 112015092901247-pat00122

(
Figure 112015092901247-pat00123
: 비용함수;
Figure 112015092901247-pat00124
: 경험직교함수의 계수(
Figure 112015092901247-pat00125
)를 성분으로 갖는 벡터값;
Figure 112015092901247-pat00126
,
Figure 112015092901247-pat00127
: 관측 및 모의 실험된 레이더반사도;
Figure 112015092901247-pat00128
: j 번째 대기수적체의 분산)
을 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
The method according to claim 1,
The second step
The vector value calculated in the first step (
Figure 112015092901247-pat00121
(2-1) for minimizing the following Equation (2) using the radar reflectivity for the first to
[Formula 2]
Figure 112015092901247-pat00122

(
Figure 112015092901247-pat00123
Cost function;
Figure 112015092901247-pat00124
: Experimental Orthogonal Function Coefficient (
Figure 112015092901247-pat00125
) As a component;
Figure 112015092901247-pat00126
,
Figure 112015092901247-pat00127
: Observed and simulated radar reflectivity;
Figure 112015092901247-pat00128
: Dispersion of j th waiting water droplet)
/ RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 5 항에 있어서,
상기 제 2 과정은
상기 제 2-1 과정에서 산출된 벡터값(
Figure 112015092901247-pat00129
)를 통해 모의구름 벡터값
Figure 112015092901247-pat00130
을 재표현하는 제 2-2과정;
을 더 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.
6. The method of claim 5,
The second step
The vector value calculated in the step 2-1
Figure 112015092901247-pat00129
) Through the simulated cloud vector value
Figure 112015092901247-pat00130
2-2 < / RTI >
≪ / RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 1 항에 있어서,
상기 제 3 과정은
상기 제 2 과정에서 산출된 모의구름 벡터값(
Figure 112016009094845-pat00131
)과 축적변수(
Figure 112016009094845-pat00132
)에 관한 함수(
Figure 112016009094845-pat00154
)인 하기 식 3을 표현하는 제 3-1 과정;
[식 3]
Figure 112016009094845-pat00133

(
Figure 112016009094845-pat00134
,
Figure 112016009094845-pat00135
,
Figure 112016009094845-pat00136
,
Figure 112016009094845-pat00137
,
Figure 112016009094845-pat00138
: 순차적으로 액상구름, 강우, 빙정구름, 눈입자, 얼음알갱이의 비율;
Figure 112016009094845-pat00139
: m개의 경험직교함수의 일차결합으로 이루어진 k번째 픽셀에 포함된 모의구름 벡터값)
을 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의 구름-복사 데이터베이스 최적화 방법.
The method according to claim 1,
In the third step,
The simulated cloud vector value calculated in the second process (
Figure 112016009094845-pat00131
) And accumulation variable
Figure 112016009094845-pat00132
) Function (
Figure 112016009094845-pat00154
3-1 < / RTI >
[Formula 3]
Figure 112016009094845-pat00133

(
Figure 112016009094845-pat00134
,
Figure 112016009094845-pat00135
,
Figure 112016009094845-pat00136
,
Figure 112016009094845-pat00137
,
Figure 112016009094845-pat00138
: Sequential liquid cloud, rainfall, ice crystal cloud, snow particles, ice particles ratio;
Figure 112016009094845-pat00139
: a simulated cloud vector value included in the k-th pixel, which is a primary combination of m experiential orthogonal functions)
/ RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
제 7 항에 있어서,
상기 제 3 과정은
상기 제 3-1 과정에서 표현된 축적변수(
Figure 112015092901247-pat00140
)에 대해서 상기 수동마이크로파의 관측값를 이용한 하기 식 4 를 최소화하는 제 3-2 과정;
[식 4]
Figure 112015092901247-pat00141

(
Figure 112015092901247-pat00142
: 비용함수;
Figure 112015092901247-pat00143
,
Figure 112015092901247-pat00144
: 관측 및 모의 실험된 수동마이크로파 벡터값;
Figure 112015092901247-pat00145
: 오차공분산 벡터;
Figure 112015092901247-pat00146
: i 번째 가중치 )
을 더 포함하는,
레이더와 수동마이크로파 관측값을 이용한 모의구름-복사 데이터베이스 최적화 방법.8. The method of claim 7,
In the third step,
The storage parameter expressed in the step 3-1
Figure 112015092901247-pat00140
(3-2) using the observation value of the passive microwave to minimize the following equation (4);
[Formula 4]
Figure 112015092901247-pat00141

(
Figure 112015092901247-pat00142
Cost function;
Figure 112015092901247-pat00143
,
Figure 112015092901247-pat00144
: Observed and simulated passive microwave vector values;
Figure 112015092901247-pat00145
: Error covariance vector;
Figure 112015092901247-pat00146
: ith weight)
≪ / RTI >
A Simulated Cloud - Copy Database Optimization Method Using Radar and Manual Microwave Observations.
KR1020150134836A 2015-09-23 2015-09-23 Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements KR101620328B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150134836A KR101620328B1 (en) 2015-09-23 2015-09-23 Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150134836A KR101620328B1 (en) 2015-09-23 2015-09-23 Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements

Publications (1)

Publication Number Publication Date
KR101620328B1 true KR101620328B1 (en) 2016-05-12

Family

ID=56025015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150134836A KR101620328B1 (en) 2015-09-23 2015-09-23 Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements

Country Status (1)

Country Link
KR (1) KR101620328B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213727A (en) * 2020-10-15 2021-01-12 国家卫星气象中心(国家空间天气监测预警中心) Precipitation correction method of satellite-borne radar based on active and passive microwave combined detection
CN115629388A (en) * 2022-12-23 2023-01-20 成都远望探测技术有限公司 Radar echo simulation method based on infrared and microwave imager data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002122667A (en) 2000-10-12 2002-04-26 Communication Research Laboratory Cloud micro physical quantity deriving system and its processing method, and its program record medium
KR101503509B1 (en) 2014-02-25 2015-03-18 대한민국 Method and system for retrieving sea surface wind using passive microwave sensors onboard satellite

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002122667A (en) 2000-10-12 2002-04-26 Communication Research Laboratory Cloud micro physical quantity deriving system and its processing method, and its program record medium
KR101503509B1 (en) 2014-02-25 2015-03-18 대한민국 Method and system for retrieving sea surface wind using passive microwave sensors onboard satellite

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
서은경 외 5인, '위성 마이크로파를 이용한 한반도 주변 지역의 강수계에 적합한 강수 추정 알고리듬 개발', 연구보고서, 공주대학교, 2012.
서은경, '열대강우관측(TRMM) 위성의 TMI와 PR에서 관측된 열대해양에서의 강우 특성', 한국지구과학회지, 제33권, 제2호, 2012.04., pp113-125.

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213727A (en) * 2020-10-15 2021-01-12 国家卫星气象中心(国家空间天气监测预警中心) Precipitation correction method of satellite-borne radar based on active and passive microwave combined detection
CN112213727B (en) * 2020-10-15 2024-01-02 国家卫星气象中心(国家空间天气监测预警中心) Precipitation correction method of satellite-borne radar based on active and passive microwave combined detection
CN115629388A (en) * 2022-12-23 2023-01-20 成都远望探测技术有限公司 Radar echo simulation method based on infrared and microwave imager data

Similar Documents

Publication Publication Date Title
Barker et al. Assessing 1D atmospheric solar radiative transfer models: Interpretation and handling of unresolved clouds
Wilson et al. PC2: A prognostic cloud fraction and condensation scheme. I: Scheme description
Morrison et al. A new two-moment bulk stratiform cloud microphysics scheme in the Community Atmosphere Model, version 3 (CAM3). Part I: Description and numerical tests
Iwabuchi Efficient Monte Carlo methods for radiative transfer modeling
Honnert et al. A diagnostic for evaluating the representation of turbulence in atmospheric models at the kilometric scale
Jung et al. Ensemble Kalman filter analyses of the 29–30 May 2004 Oklahoma tornadic thunderstorm using one-and two-moment bulk microphysics schemes, with verification against polarimetric radar data
Kulie et al. Triple-frequency radar reflectivity signatures of snow: Observations and comparisons with theoretical ice particle scattering models
Schutgens et al. The importance of temporal collocation for the evaluation of aerosol models with observations
Hogan Fast lidar and radar multiple-scattering models. Part I: Small-angle scattering using the photon variance–covariance method
Miller et al. Estimating three-dimensional cloud structure via statistically blended satellite observations
Xue et al. State estimation of convective storms with a two‐moment microphysics scheme and an ensemble Kalman filter: Experiments with simulated radar data
Fielding et al. Joint retrievals of cloud and drizzle in marine boundary layer clouds using ground-based radar, lidar and zenith radiances
Greenwald et al. An all-weather observational operator for radiance data assimilation with mesoscale forecast models
Chosson et al. Entrainment-mixing and radiative transfer simulation in boundary layer clouds
Barker et al. Monte Carlo simulation of solar reflectances for cloudy atmospheres
Ménétrier et al. Heterogeneous background‐error covariances for the analysis and forecast of fog events
Su et al. Retrieval of multi-wavelength aerosol lidar ratio profiles using Raman scattering and Mie backscattering signals
KR101620328B1 (en) Method of optimizing simuated cloud-radiation database using rader and passive microwave measurements
Senf et al. Uncertainties in synthetic Meteosat SEVIRI infrared brightness temperatures in the presence of cirrus clouds and implications for evaluation of cloud microphysics
Zhang et al. Correlation structures between satellite all-sky infrared brightness temperatures and the atmospheric state at storm scales
Jensen et al. Assimilation of radar‐based nowcast into a HIRLAM NWP model
Chan et al. Vertical profile retrievals with warm-rain microphysics using the ground-based microwave radiometer operated by the Hong Kong Observatory
Zuidema et al. Shortwave radiative impacts from aerosol effects on marine shallow cumuli
Lebsock Level 2C RAIN-PROFILE product process description and interface control document
Mitchell et al. A new snow growth model with application to radar precipitation estimates

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190429

Year of fee payment: 4